本發(fā)明屬于智能交通中的GPS定位技術(shù)領(lǐng)域，具體涉及到一種基于時空的地圖匹配方法。

背景技術(shù)：

利用智能交通系統(tǒng)來解決城市交通問題越來越受到人們的重視，其實智能交通的作用不僅體現(xiàn)在城市交通方面，在智慧景區(qū)中十分重要，如給特殊人群提供智能車租約服務(wù)、帶領(lǐng)旅客瀏覽景區(qū)等等；將智能車與旅游服務(wù)結(jié)合在一起，對于構(gòu)建智慧旅游具有重要的意義。為了在景區(qū)中能夠進行較為準確的車輛位置定位，此時的地圖匹配技術(shù)變成了一項十分重要的任務(wù)。尤其是在旅游景區(qū)道路復(fù)雜，景區(qū)人員較多容易導(dǎo)致車輛行駛較慢的情況下，地圖匹配技術(shù)的性能會在很大程度上影響消費者乘坐智能車進行景區(qū)瀏覽的體驗。

地圖匹配(Map Matching)技術(shù)是一個不增加車輛導(dǎo)航系統(tǒng)硬件成本的軟件技術(shù)，該技術(shù)是以模式識別的理論為基礎(chǔ)，其基本假設(shè)是車輛始終行駛在道路上，同時需要高精度的電子地圖。匹配的基本思路是通過車輛的軌跡與電子地圖上矢量化的路段相近匹配，尋找當前行駛的道路，并將車輛當前的定位點投影到道路上。傳統(tǒng)的地圖匹配算法包含兩種類型，確定性算法和不確定性算法。確定性算法的基本思路是查找離車輛位置最近的路段，然后將表示車輛位置定位點數(shù)據(jù)點投影到查到的路段對應(yīng)點上，并將投影點定位為車輛匹配后的位置。不確定算法主要是運用概率統(tǒng)計、模糊邏輯、相關(guān)性分析等技術(shù)運用到地圖匹配上。與確定性算法相比，不確定性算法考慮的因素比較多，確定性算法只考慮距離這一因素，而不確定性算法還將考慮行駛車輛的速度、航向、道路路寬、道路限速、道路的性狀等等因素。所以，通常而言，不確定算法的匹配效果更好一點。但是從性能角度出發(fā)，確定性算法的計算時間比較短，而不確定算法計算時間比較長。

技術(shù)實現(xiàn)要素：

鑒于上述，本發(fā)明提供了一種基于時空的地圖匹配方法，該方法綜合考慮確定性算法與不確定性算法的優(yōu)點，能夠有效地解決地圖匹配所存在的問題。

一種基于時空的地圖匹配方法，包括以下步驟：

(1)獲取數(shù)字地圖數(shù)據(jù)，并對其進行處理，得到最短路徑數(shù)據(jù)集；

(2)接受數(shù)據(jù)終端的多個連續(xù)GPS數(shù)據(jù)信息序列，并計算車輛行駛GPS定位點的候選點，組成GPS定位點的候選點集；

(3)根據(jù)GPS數(shù)據(jù)信息序列、GPS定位點的候選點集以及最短路徑數(shù)據(jù)集計算得到空間分析方程和時間分析方程，并將這兩個方程結(jié)合起來簡稱時空分析方程，即ST方程；

(4)利用ST_Matching算法對候選點的時空分析方程進行優(yōu)化求解，獲得候選點中的最佳序列，得到最優(yōu)的GPS定位候選數(shù)據(jù)。

步驟(1)的具體步驟為：

(1-1)獲取數(shù)字地圖數(shù)據(jù)，并根據(jù)其計算線路之間的最短路徑長度，并記錄路徑軌跡；

(1-2)根據(jù)相鄰時刻GPS定位點的距離閾值δ₁對最短路徑長度及其路徑軌跡進行剪枝，得到最短路徑數(shù)據(jù)集。

在步驟(1-1)中，數(shù)字地圖由n條線路組成，每一條數(shù)字地圖數(shù)據(jù)包括路線id、起點id、終點id、限速、線路長度、線路GPS點數(shù)N、GPS點1、GPS點2、…GPS點N。

在步驟(1-1)中，可以采用Dijkstra算法或A^*算法計算線路之間的最短路徑長度。

在步驟(1-2)中，δ₁的取值大小需要根據(jù)車輛的行駛速度、GPS數(shù)據(jù)信息序列的采樣頻率及GPS信號接收器所接收到的位置偏差來確定，如果δ₁的取值過小會導(dǎo)致候選數(shù)據(jù)的個數(shù)太少，從而增加誤匹配的概率，反之會增加算法的計算時間。

通過步驟(1)提前將最短路徑計算出來，給數(shù)字地圖中任意兩條線路建立最短路徑索引，這將會大大減少接下來的算法重求最短路徑長度的時間。

步驟(2)的具體步驟為：

(2-1)根據(jù)車輛的正常行駛車速和GPS定位點的采樣頻率確定接收到的GPS定位點序列中第一個定位點在附近道路的允許偏差δ₂；

(2-2)計算每個GPS定位點在允許偏差δ₂范圍內(nèi)道路上的投影，并將其作為GPS定位點的候選點組成每個GPS定位點的候選點集，稱為GPS定位點數(shù)據(jù)p_i。

在步驟(3)中，計算每一個候選點的觀察概率，并對第一個GPS數(shù)據(jù)點的觀察概率進行修正；計算相鄰時刻的候選點之間的轉(zhuǎn)移概率；綜合考慮觀察概率和轉(zhuǎn)移概率，作為候選點的空間權(quán)重；計算相鄰時刻的候選點在最短路徑上與平均速度的余弦相似性作為的時間權(quán)重；根據(jù)時空兩個因素計算最佳候選點，以形成在地圖上匹配的坐標結(jié)果。其具體步驟為：

(3-1)計算每個候選點的觀察概率

(3-2)根據(jù)相鄰兩個GPS數(shù)據(jù)信息序列所在的路線最短路徑距離與實際歐式距離，計算候選點的轉(zhuǎn)移概率

(3-3)根據(jù)觀察概率和轉(zhuǎn)移概率計算每個候選點的空間分析方程：

(3-4)根據(jù)最短路徑數(shù)據(jù)集計算每個候選點的時間分析方程：

其中，e′_u.v表示序號為u最短路徑線路的限速，k為最短路徑的總條數(shù)；表示候選點到候選點之間最短路徑上的平均速度，此處，表示第i-1個GPS定位點數(shù)據(jù)p_i-1中第t個候選點，表示第i個GPS定位點數(shù)據(jù)p_i中第j個候選點；

的計算公式為：

l_u表示序號為u最短路徑線路的長度，△t_i-1→i表示GPS定位點數(shù)據(jù)p_i-1和GPS定位點數(shù)據(jù)p_i之間的時間間隔；

(3-5)根據(jù)空間分析方程和時間分析方程計算每個候選點的時空分析方程：

在步驟(3-1)中，采用正態(tài)分布的統(tǒng)計手段，計算每個GPS定位點數(shù)據(jù)p_i中每個候選點的觀察概率具體為：

其中，表示車輛行駛的第i個GPS數(shù)據(jù)p_i與其第j個候選點之間的歐氏距離，μ₁為正態(tài)分布的均值，一般取0；σ₁為正態(tài)分布的方差，與車輛的物理性能相關(guān)，具體的說，方差根據(jù)車輛歷史的行駛速而定，一般而言，車輛的歷史行駛速度快，方差的取值越大；歷史行駛速度越慢，方差的取值越小。車輛行駛的GPS點與其候選點之間的距離越短，是該點在地圖上的坐標可能性越大。

在步驟(3-1)中，由于第一個定位點沒有轉(zhuǎn)移概率，如果第一個GPS定位點的位置與實際行駛時的位置相差太大，會降低到下一個點的轉(zhuǎn)移概率。為減少第一個GPS定位點數(shù)據(jù)p₁中的每個候選點對以后時刻的候選點的影響；因此，需要對第一個GPS定位點數(shù)據(jù)p₁中的每個候選點的觀察概率進行再處理，處理方法為：

(a)對前λ個GPS定位點數(shù)據(jù)進行類聚，聚類中心點為：

其中，t_m為第m個GPS定位點的采樣時間間隔，v_n為第n條路段的限速；δ表示匹配時所允許的最大偏差距離。

(b)根據(jù)聚類中心點采用正態(tài)分布方法計算第一個GPS定位點數(shù)據(jù)p₁的候選點的經(jīng)驗觀測概率

其中，表示聚類中心點與第一個GPS定位點數(shù)據(jù)p₁中的每個候選點之間的歐式距離；μ₂為正態(tài)分布的均值，σ₂為正態(tài)分布的方差；

(c)將第一個GPS定位點數(shù)據(jù)p₁中的每個候選點的觀察概率乘上其經(jīng)驗觀測概率，作為第一個GPS定位點數(shù)據(jù)p₁的每個候選點的觀察概率

在步驟(b)中，因為此處初始點的候選點集的數(shù)據(jù)分布情況和其他定位點的候選數(shù)據(jù)的分布情況不同，所以使用不同的正態(tài)方程，即這里的期望μ₂和μ₁，σ₁和σ₂取不同的值。

步驟(3-2)的具體步驟為：

(3-2-1)計算相鄰兩個GPS定位點數(shù)據(jù)p_i和p_i-1之間的實際歐式距離：

d_(i-1)→i＝dist(p_i-1,p_i)

(3-2-2)計算兩個候選點和之間的最短路徑距離w_{(i-1,t)→(i,j)}；

(3-2-3)根據(jù)實際歐式距離與最短路徑距離計算候選點轉(zhuǎn)移概率其計算公式為：

此處，相鄰候選點的實際歐式距離與其最短路徑距離的比值越高，這兩個候選點之間的轉(zhuǎn)移概率越高。

本發(fā)明基于時空的地圖匹配方法，基本思想是利用隱馬爾科夫模型進行地圖匹配，具有以下優(yōu)勢：

(1)對特定的應(yīng)用場景如校園、旅游景區(qū)，構(gòu)建了一種簡單、有效的數(shù)字地圖，包括路線id、起點id、終點id、限速、線路長度、線路GPS點數(shù)N、GPS點1、GPS點2、…GPS點N。

(2)在算法匹配之前，提前計算好地圖中的任意兩條線路的距離，同時在計算的過程中，若兩條線路之間的距離超過一定的閾值便進行剪枝，從而縮短地圖匹配的時間。

(3)在計算隱馬爾科夫模型中的轉(zhuǎn)移矩陣時使用時空分析方程。即不僅考慮到GPS定位點的候選點集的觀察概率、轉(zhuǎn)移概率建立空間分析方程，還利用速度信息建立時間分析方程。

(4)因為隱馬爾科夫受到初始值的影響比較大，所以對GPS定位點序列的初始定位點，進行了進一步處理，以提高匹配的準確度。

附圖說明

圖1是本發(fā)明地圖匹配方法中獲得最短路徑數(shù)據(jù)集過程的流程圖；

圖2是本發(fā)明地圖匹配方法中地圖匹配過程的流程圖。

具體實施方式

為了更為具體地描述本發(fā)明，下面結(jié)合附圖及車輛在旅游景區(qū)的情境下對本發(fā)明的技術(shù)方案進行詳細說明。

實施例中智能車是一種低速、接受GPS數(shù)據(jù)且容易受到GPS信號漂移影響的電動車輛。

假設(shè)旅游景區(qū)的數(shù)字地圖已經(jīng)存在，該數(shù)字地圖由n條線路組成，每一條數(shù)字地圖數(shù)據(jù)包括路線id、起點id、終點id、限速、線路長度、線路GPS點數(shù)N、GPS點1、GPS點2、…GPS點N。

如圖1所示，根據(jù)數(shù)字地圖數(shù)據(jù)計算得到最短路徑數(shù)據(jù)集，具體步驟如下：

步驟1，獲取數(shù)字地圖數(shù)據(jù)，采用Dijkstra算法計算線路之間的最短路徑長度，并記錄路徑軌跡；

步驟2，根據(jù)相鄰GPS定位點的距離閾值δ₁對最短路徑長度及其路徑軌跡進行剪枝，得到最短路徑數(shù)據(jù)集。

在地圖匹配之前，通過以上兩步驟提前將最短路徑計算出來，給數(shù)字地圖中任意兩條線路建立最短路徑索引，這將會大大減少接下來的算法重求最短路徑長度的時間。

在獲得最短路徑數(shù)據(jù)集后，進行地圖匹配過程，如圖2所示，具體步驟如下：

步驟1，智能車將一段時間內(nèi)的車輛行駛數(shù)據(jù)發(fā)送到后臺服務(wù)器。

步驟2，服務(wù)器根據(jù)車輛行駛數(shù)據(jù)計算得到智能車行駛GPS定位點數(shù)據(jù)p_i，具體過程為：

首先，根據(jù)車輛的正常行駛車速v和GPS定位點的采樣頻率△t確定初始點在附近道路的允許偏差δ₂＝2v△t米；

然后，計算每個GPS定位點在允許偏差δ₂范圍內(nèi)道路上的投影，并將其作為GPS定位點的候選點組成每個GPS定位點的候選點集，稱為GPS定位點數(shù)據(jù)p_i。

步驟3，服務(wù)器計算智能車每個候選點的觀察概率具體過程為：采用正態(tài)分布的統(tǒng)計手段，計算每個GPS定位點數(shù)據(jù)p_i中每個候選點的觀察概率具體為：

其中，表示車輛行駛的第i個GPS數(shù)據(jù)p_i與其第j個候選點之間的歐氏距離，μ₁取0；σ₁取20；車輛行駛的GPS定位點與其候選點之間的距離越短，是該點在地圖上的坐標可能性越大。

為減少第一個GPS定位點數(shù)據(jù)p₁中的每個候選點對以后時刻的候選點的影響；因此，需要對第一個GPS定位點數(shù)據(jù)p₁中的每個候選點的觀察概率進行再處理，處理方法為：

(a)對前λ個GPS定位點數(shù)據(jù)進行類聚，聚類中心點為：

其中，t_m為第m個GPS定位點的采樣時間間隔，v_n為第n條路段的限速；δ表示匹配時所允許的最大偏差距離，p_i為GPS定位點數(shù)據(jù)；

(b)根據(jù)聚類中心點采用正態(tài)分布方法計算第一個GPS定位點數(shù)據(jù)p₁的候選點的經(jīng)驗觀測概率

其中，表示聚類中心點與第一個GPS定位點數(shù)據(jù)p₁中的每個候選點之間的歐式距離；μ₂為正態(tài)分布的均值，σ₂為正態(tài)分布的方差；

因為此處初始點的候選點集的數(shù)據(jù)分布情況和其他定位點的候選數(shù)據(jù)的分布情況不同，所以使用不同的正態(tài)方程，即這里的期望μ₂和μ₁，σ₁和σ₂取不同的值。

(c)將第一個GPS定位點數(shù)據(jù)p₁中的每個候選點的觀察概率乘上其經(jīng)驗觀測概率，作為第一個GPS定位點數(shù)據(jù)p₁的每個候選點的觀察概率

步驟4，服務(wù)器根據(jù)相鄰兩個GPS數(shù)據(jù)所在的路線最短路徑距離與實際歐式距離，計算每個候選點轉(zhuǎn)移概率具體過程為：

首先，計算相鄰兩個GPS定位點數(shù)據(jù)p_i和p_i-1之間的實際歐式距離：

d_(i-1)→i＝dist(p_i-1,p_i)

然后，計算兩個候選點和之間的最短路徑距離w_{(i-1,t)→(i,j)}；

最后，根據(jù)實際歐式距離與最短路徑距離計算候選點轉(zhuǎn)移概率其計算公式為：

步驟5，服務(wù)器根據(jù)觀察概率和轉(zhuǎn)移概率計算每個GPS候選點的空間分析方程：

此處，的轉(zhuǎn)移概率和觀察概率的乘積越大，說明是i時刻在地圖上的坐標可能性越大。

步驟6，服務(wù)器根據(jù)地圖匹配前計算好的最短路徑數(shù)據(jù)集，計算每個候選點的時間分析方程：

其中，e_u′.v表示序號為u最短路徑線路的限速，k為最短路徑的總條數(shù)；表示候選點到候選點之間最短路徑上的平均速度，此處，表示第i-1個GPS定位點數(shù)據(jù)p_i-1中第t個候選點，表示第i個GPS定位點數(shù)據(jù)p_i中第j個候選點；

的計算公式為：

l_u表示序號為u最短路徑線路的長度，△t_i-1→i表示GPS定位點數(shù)據(jù)p_i-1和GPS定位點數(shù)據(jù)p_i之間的時間間隔；

步驟7，服務(wù)器根據(jù)空間分析方程和時間分析方程計算每個候選點的ST方程：

步驟8，通過ST_Matching算法獲得候選點中的最佳序列，得到最優(yōu)的GPS定位候選數(shù)據(jù)，采用以下算法進行求解：

步驟9，通過以上算法尋優(yōu)得到N個最優(yōu)的GPS定位候選數(shù)據(jù)，將其返回至智能車，通過顯示屏上的地圖顯示智能車的行駛軌跡。

以上所述的具體實施方式對本發(fā)明的技術(shù)方案和有益效果進行了詳細說明，應(yīng)理解的是以上所述僅為本發(fā)明的最優(yōu)選實施例，并不用于限制本發(fā)明，凡在本發(fā)明的原則范圍內(nèi)所做的任何修改、補充和等同替換等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。